Fibo 2.0 vs Gemma 4 12B: Jeden rysuje obraz, drugi pisze do niego prompt

Put Fibo 2.0 and Gemma 4 12B next to each other on a spec sheet and the comparison falls apart immediately, because they do not answer the same question. Fibo 2.0 is an 8B image model released by Bria on 20 October 2026: you give it a description or a picture, it returns pixels. Gemma 4 12B is G​oogle's 11.95B dense multimodal language model, Apache-2.0, live since 23 May 2026: you give it text, images or audio and it returns text, never an image. Every "Fibo 2.0 vs Gemma 4 12B" page that ranks them against each other is ranking a renderer against a writer. The useful version of this comparison is the one where they are not rivals at all — where Gemma 4 12B writes the structured prompt and Fibo 2.0 renders it, and the question becomes whether that pair beats either model used alone. Spec sheets do not record how image and language models fail once they are in production, and those incidents are catalogued in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

Co tak naprawdę zwraca każde z nich

To jest cały argument w dwóch linijkach i dlatego to starcie jest warte opisania, a nie odrzucenia: typy wyjściowe są rozłączne.

• Wyjście — Fibo 2.0 zwraca obraz, z wiernością edycji sięgającą poziomu edycji z wieloma referencjami; Gemma 4 12B zwraca tokeny tekstowe i nie ma jakiegokolwiek dekodera obrazu.

• Wejście — Fibo 2.0 przyjmuje tekst i do czterech obrazów referencyjnych; Gemma 4 12B przyjmuje tekst, obrazy i dźwięk w jednym stosie bez enkodera, z kontekstem 256 000 tokenów.

• Zadanie — Fibo 2.0 to renderer z wąskim gardłem promptu; Gemma 4 12B to model rozumujący z bardzo długim oknem i bez ścieżki renderowania.

Konsekwencją nie jest to, że jeden jest lepszy. Jest nią to, że bezpośrednie porównanie Elo między nimi nie jest po prostu niedostępne — jest bez znaczenia; nikt nigdy nie prosił tłumu o wybór między JPEG-em a akapitem.

Liczby, po które ludzie sięgają, i dlaczego nie można ich odjąć

Oba modele mają wiarygodne, niezależne wyniki i mierzą różne rzeczy na różnych skalach. Fibo 2.0 zajmuje 1 087,05 Elo w rankingu AA-Image-Editing v2.1 firmy Artificial Analysis — 20. miejsce ogółem i pierwsze wśród modeli z otwartymi wagami — z przedziałem ufności od 1 073,05 do 1 101,05 na podstawie 4 819 pojedynków. W AA-Image-T2I v2.1 uzyskuje 1 038,79, co daje 21. miejsce ogółem. Gemma 4 12B ma Intelligence Index na poziomie 14,18 — to złożony wskaźnik tekstu i rozumowania, a nie wynik preferencji — obok MMLU Pro 77,2, GPQA 78,8, AIME 77,5, Codeforces 1 659 i MMMU Pro 69,1.

Elo i indeks to nie ta sama jednostka, więc „Fibo 2.0 jest lepszy o 1,072 punkty” to arytmetyka na nieporównywalnych skalach. To, co te liczby rzeczywiście potwierdzają, to podział pracy, ponieważ MMMU Pro na poziomie 69,1 — rozumowanie multimodalne na obrazach — to dokładnie ta zdolność, która odczytuje zdjęcie źródłowe i decyduje, co należy w nim zmienić. Fibo 2.0 nie potrafi tego zrobić. Potrafi jedynie wykonać otrzymany opis.

Gemma 4 12B to brakująca połowa potoku Fibo

Powód, dla którego zestawia się je ze sobą, jest specyficzny dla sposobu, w jaki zbudowano Fibo 2.0. Bria trenuje i dokumentuje go w oparciu o VGL — Visual GenAI Language — ustrukturyzowany format opisu w JSON z nazwanymi polami dla podmiotu, kompozycji, oświetlenia, kamery, stylu i tekstu na obrazie. Model przyjmie zdanie, ale jest bardziej przewidywalny ze schematem, ponieważ jego enkoder promptów Qwen3-VL-4B jest kompresowany przez dwuwarstwowy resampler Perceiver do od 256 do 512 tokenów gist, a granice pól przetrwają to wąskie gardło, czego nie robi rozwlekłe zdanie.

Ręczne pisanie JSON-a zgodnego ze schematem jest żmudne i podatne na błędy. Powierzenie tego modelowi językowemu też nie. Gemma 4 12B z kontekstem 256K może pomieścić schemat, obraz źródłowy, firmowy przewodnik stylistyczny i zestaw przykładów w jednym oknie, wygenerować zwalidowany obiekt VGL, a następnie — i to jest najważniejsze — spojrzeć na wyrenderowany wynik i zdecydować, czy zmiana została wprowadzona. Ta druga rola to pętla sprzężenia zwrotnego, której Fibo 2.0 nie może samodzielnie realizować, ponieważ nie ma sposobu, by sprawdzić własne dane wyjściowe.

• Krok pierwszy — Gemma 4 12B odczytuje obraz referencyjny wraz z briefem i emituje VGL JSON. Jej MMMU Pro 69.1 to istotny atut, a nie wynik w zakresie kodu.

• Krok drugi — Fibo 2.0 renderuje lub edytuje na podstawie tego JSON-a, w trybie Dev przy 50 krokach, jeśli liczy się jakość, albo Edit Turbo przy czterech krokach, jeśli liczy się przepustowość.

• Krok trzeci — Gemma 4 12B porównuje wynik z briefem i albo zatwierdza, albo zwraca poprawiony JSON. Dwa przebiegi wychwytują większość błędów związanych z tekstem na obrazie i krawędziami maski.

• Krok czwarty — wszystko, co przetrwa pętlę, trafia do człowieka, co stanowi znacznie mniejszą kolejkę niż przeglądanie każdego renderu.

Żaden z modeli nie robi tego dobrze samodzielnie. Fibo 2.0 nie ma samokontroli; Gemma 4 12B nie ma renderera. Pipeline jest produktem.

Licencja: jedyny wiersz, w którym porównanie jest naprawdę bezpośrednie

Oba mają otwarte wagi. Tylko jeden z nich można wykorzystać w produkcie bez rozmowy.

• Fibo 2.0 — CC BY-NC 4.0 na karcie modelu, do użytku niekomercyjnego; użycie komercyjne wymaga odrębnej umowy z Bria. Repozytorium Hugging Face jest chronione ustawieniem „auto” i formularzem dotyczącym firmy oraz zamierzonego zastosowania.

• Gemma 4 12B — Apache-2.0, bez bramkowania, bez ograniczeń dotyczących dziedziny zastosowania, bez odrębnej umowy. Pobierz i dystrybuuj.

• Co to oznacza dla tej pary — wewnętrzny potok badawczy może dziś używać obu. Produkt komercyjny może dziś używać Gemma 4 12B i potrzebuje podpisu Bria dla renderera.

• Dlaczego klauzula Bria jest do obrony — zbiór treningowy to około miliarda licencjonowanych obrazów, za które firma zapłaciła. Udostępnienie wag, które pozwoliłyby komukolwiek za darmo podciąć jej własne API na tym zbiorze, oznaczałoby oddanie zasobu, który kupił ten zbiór. Klauzula niekomercyjna jest mechanizmem, który temu zapobiega.

To jedyne porównanie w artykule, które zachowuje się jak zwykłe porównanie modeli: to samo pytanie, ten sam format odpowiedzi, wyraźny zwycięzca. Wygrywa Apache-2.0. Tyle że to najmniej interesujący wiersz, ponieważ licencja nie mówi, którego modelu do czego użyć — mówi, czy wolno ci go użyć, i to jest pierwsza rzecz do sprawdzenia, a nie ostatnia.

Koszt pary w zestawieniu z kosztem API

Fibo 2.0 za pośrednictwem API Bria kosztuje 0,032 USD za obraz, 0,0288 USD w tańszym planie Fibo Lite i 0,02 USD za wywołanie, jeśli zamiast samodzielnego pisania VGL skorzystasz z własnej usługi Bria do strukturalnych promptów. Artificial Analysis podaje pricePer1kImages na poziomie 32,00 USD, co jest zgodne ze stawką główną. Warto zatrzymać się przy tej pozycji 0,02 USD za strukturalny prompt, ponieważ to dokładnie zadanie, które powyżej powierzono modelowi Gemma 4 12B — a Gemma 4 12B z 12 mld parametrów jest wystarczająco tania w uruchomieniu, że pojawia się pytanie, czy samodzielne pisanie JSON-a jest tańsze niż płacenie dwa razy za obraz.

• Wyłącznie Fibo 2.0, prompt tekstowy — 0,032 USD za obraz.

• Fibo 2.0 oraz usługa strukturyzowanych promptów Bria — 0,052 USD za obraz, bez potrzeby używania modelu rozumującego.

• Fibo 2.0 plus Gemma 4 12B pisząca JSON — 0,032 USD za obraz plus to, ile kosztuje Cię model 12B. Na wynajętej GPU uruchamiającej model 12B lokalnie zwykle oznacza to mniej niż dwa centy za generację na prompt; w przypadku hostowanego endpointu zależy to wyłącznie od cennika danych wejściowych dostawcy, ponieważ prompt zawiera obraz.

Własne hostowanie daje też coś, czego API nie potrafi: dwuetapową samokontrolę. Usługa promptów strukturalnych Bria generuje JSON, ale nie sprawdza później renderu. Lokalny model Gemma 4 12B może to robić, a wszędzie tam, gdzie liczy się renderowanie tekstu lub krawędzie maski, jakość bierze się właśnie z tej weryfikacji.

Uruchamianie Gemma 4 12B obok renderera

Gemma 4 12B w wersji 12B nie znajduje się w katalogu OrcaRouter, więc należy przyjąć to jako fakt, a nie szukać obejścia. W katalogu są natomiast większe modele z rodziny Gemma 4: google/gemma-4-26b-a4b-it w cenie 0,06 USD za wejście i 0,33 USD za wyjście za milion tokenów oraz google/gemma-4-31b-it w cenie 0,13 USD i 0,38 USD. Oba napiszą VGL JSON; oba kosztują więcej za wywołanie niż 12B, ale dają większy margines rozumowania na etap weryfikacji, czyli tę połowę pętli, która zyskuje na większych możliwościach.

Taki jest kształt argumentu za OrcaRouter w tym przypadku — i jest on wąski. Renderer należy do Bria i jest dostępny przez API Bria lub dzięki samodzielnie hostowanym wagom. Model piszący i sprawdzający prompty może działać za jednym kluczem wraz ze wszystkim innym w Twoim stosie — ponad 200 modeli, ceny katalogowe dostawców przekazywane bez marży (0%), automatyczne przełączanie awaryjne, gdy endpoint traci wydajność, oraz DSL routingu, który łączy kroki pisania, renderowania i przeglądu w jedno wywołanie zamiast trzech bibliotek klienckich. Jeśli Bria obniży stawkę za obraz, ta niezmieniona połowa Twojego rachunku nie wymaga migracji, by to odzwierciedlić.

OrcaRouter nie udostępnia Fibo 2.0. Każda strona, która twierdzi, że pojedynczy punkt końcowy obejmuje obie połowy tego potoku, opisuje produkt, który nie istnieje.

Którego właściwie potrzebujesz

Zapytaj, co jest rezultatem. Jeśli rezultatem jest obraz, Gemma 4 12B nie jest kandydatem i nigdy nie była — nie potrafi go wygenerować, za żadną cenę, na żadnej licencji, niezależnie od tego, jak czyta się ranking. Jeśli rezultatem ma być decyzja dotycząca obrazu — czy to zdjęcie jest użyteczne, czy ten układ jest zgodny z wytycznymi marki, co należy zmienić w tej scenie — Fibo 2.0 jest niewłaściwym narzędziem, a jego 1 087 Elo nie ma znaczenia.

Przypadek parowania jest tym, dla którego warto budować, i to właśnie on staje się dzięki temu wydaniu po raz pierwszy praktyczny. Format VGL Fibo 2.0 to interfejs czytelny maszynowo, a interfejs czytelny maszynowo pozwala modelowi językowemu niezawodnie sterować rendererem, zamiast liczyć na to, że prompt w wolnym tekście zadziała. Przed tym wydaniem generowanie i edycja w Fibo były osobnymi checkpointami o odrębnym działaniu; teraz jeden zestaw wag obsługuje oba, schemat jest udokumentowany, a pakiet bria-vgl daje modelowi językowemu coś konkretnego, względem czego może przeprowadzać walidację. Ciekawym porównaniem nigdy nie było Fibo 2.0 kontra Gemma 4 12B. To Fibo 2.0 plus Gemma 4 12B kontra ludzki dyrektor artystyczny z abonamentem na zdjęcia stockowe, a przy dużej skali to nie jest nawet blisko.